提问人：szli 提问时间：6/13/2013 最后编辑：cottontailszli 更新时间：9/26/2023 访问量：6156172
如何根据列值从 DataFrame 中选择行？
How do I select rows from a DataFrame based on column values?
问：
如何根据 Pandas 中某列中的值从 DataFrame 中选择行？
在 SQL 中，我会使用：
SELECT *
FROM table
WHERE column_name = some_value
答：
6362赞
unutbu
6/13/2013
#1
要选择列值等于标量的行，请使用：some_value==
df.loc[df['column_name'] == some_value]
若要选择列值位于可迭代对象中的行，请使用：some_valuesisin
df.loc[df['column_name'].isin(some_values)]
将多个条件与以下因素相结合：&
df.loc[(df['column_name'] >= A) & (df['column_name'] <= B)]
请注意括号。由于 Python 的运算符优先级规则，绑定比 和 更紧密。因此，最后一个示例中的括号是必要的。不带括号&<=>=
df['column_name'] >= A & df['column_name'] <= B
解析为
df['column_name'] >= (A & df['column_name']) <= B
要选择列值不等于的行，请使用：some_value!=
df.loc[df['column_name'] != some_value]
返回一个布尔序列，因此要选择值不在 中的行，请使用以下命令否定布尔序列：isinsome_values~
df = df.loc[~df['column_name'].isin(some_values)] # .loc is not in-place replacement
例如
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
'B': 'one one two three two two one three'.split(),
'C': np.arange(8), 'D': np.arange(8) * 2})
print(df)
# A B C D
# 0 foo one 0 0
# 1 bar one 1 2
# 2 foo two 2 4
# 3 bar three 3 6
# 4 foo two 4 8
# 5 bar two 5 10
# 6 foo one 6 12
# 7 foo three 7 14
print(df.loc[df['A'] == 'foo'])
收益 率
A B C D
0 foo one 0 0
2 foo two 2 4
4 foo two 4 8
6 foo one 6 12
7 foo three 7 14
如果要包含多个值，请将它们放在
列表（或更一般地说，任何可迭代对象）并使用：isin
print(df.loc[df['B'].isin(['one','three'])])
收益 率
A B C D
0 foo one 0 0
1 bar one 1 2
3 bar three 3 6
6 foo one 6 12
7 foo three 7 14
但是请注意，如果您希望多次执行此操作，则更有效
首先创建一个索引，然后使用：df.loc
df = df.set_index(['B'])
print(df.loc['one'])
收益 率
A C D
B
one foo 0 0
one bar 1 2
one foo 6 12
或者，要包含索引中的多个值，请使用：df.index.isin
df.loc[df.index.isin(['one','two'])]
收益 率
A C D
B
one foo 0 0
one bar 1 2
two foo 2 4
two foo 4 8
two bar 5 10
one foo 6 12
评论
3赞
user3871
1/31/2023
如果您没有列标签，即按列索引，您知道如何做到这一点吗？例如，返回 Col 0 = “some value” 的行。 不起作用，给出错误虽然似乎有效。df.iloc[df[0] == some_value]Cannot index by location index with a non-integer key.df.loc[df.iloc[:, 0] == 'some_value']
1赞
hobs
7/16/2023
@user3871正如错误消息所解释的那样（以及答案中的示例所示），您需要在...是一个布尔级数（这是二进制运算符对一对返回。所有 s 都有列标签，即使您从未设置过任何列标签。你可以找出他们是什么.因此，无论您在哪里都可以使用.df.loc[...]==SeriesDataFramedf.columnsdf[0]df[df.columns[0]]
31赞
DataByDavid
6/13/2013
#2
这是一个简单的例子
from pandas import DataFrame
# Create data set
d = {'Revenue':[100,111,222],
'Cost':[333,444,555]}
df = DataFrame(d)
# mask = Return True when the value in column "Revenue" is equal to 111
mask = df['Revenue'] == 111
print mask
# Result:
# 0 False
# 1 True
# 2 False
# Name: Revenue, dtype: bool
# Select * FROM df WHERE Revenue = 111
df[mask]
# Result:
# Cost Revenue
# 1 444 111
352赞
imolit
7/8/2015
#3
TL的;博士
熊猫相当于
select * from table where column_name = some_value
是
table[table.column_name == some_value]
多种条件：
table[(table.column_name == some_value) | (table.column_name2 == some_value2)]
或
table.query('column_name == some_value | column_name2 == some_value2')
代码示例
import pandas as pd
# Create data set
d = {'foo':[100, 111, 222],
'bar':[333, 444, 555]}
df = pd.DataFrame(d)
# Full dataframe:
df
# Shows:
# bar foo
# 0 333 100
# 1 444 111
# 2 555 222
# Output only the row(s) in df where foo is 222:
df[df.foo == 222]
# Shows:
# bar foo
# 2 555 222
在上面的代码中，它是根据列值提供行的行，在本例中。df[df.foo == 222]222
多种情况也是可能的：
df[(df.foo == 222) | (df.bar == 444)]
# bar foo
# 1 444 111
# 2 555 222
但是在这一点上，我建议使用查询函数，因为它不那么冗长，并且会产生相同的结果：
df.query('foo == 222 | bar == 444')
94赞
fredcallaway
2/9/2016
#4
我发现前面答案的语法是多余的，很难记住。Pandas 在 v0.13 中引入了该方法，我更喜欢它。对于您的问题，您可以做.query()df.query('col == val')
转载自 query（） 方法（实验性）：
In [167]: n = 10
In [168]: df = pd.DataFrame(np.random.rand(n, 3), columns=list('abc'))
In [169]: df
Out[169]:
a b c
0 0.687704 0.582314 0.281645
1 0.250846 0.610021 0.420121
2 0.624328 0.401816 0.932146
3 0.011763 0.022921 0.244186
4 0.590198 0.325680 0.890392
5 0.598892 0.296424 0.007312
6 0.634625 0.803069 0.123872
7 0.924168 0.325076 0.303746
8 0.116822 0.364564 0.454607
9 0.986142 0.751953 0.561512
# pure python
In [170]: df[(df.a < df.b) & (df.b < df.c)]
Out[170]:
a b c
3 0.011763 0.022921 0.244186
8 0.116822 0.364564 0.454607
# query
In [171]: df.query('(a < b) & (b < c)')
Out[171]:
a b c
3 0.011763 0.022921 0.244186
8 0.116822 0.364564 0.454607
您还可以通过在前面加上 .@
exclude = ('red', 'orange')
df.query('color not in @exclude')
20赞
TuanDT
11/18/2016
#5
添加：您还可以使用具有特定值的指定列创建一个新的数据框。例如，df.groupby('column_name').get_group('column_desired_value').reset_index()
import pandas as pd
df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
'B': 'one one two three two two one three'.split()})
print("Original dataframe:")
print(df)
b_is_two_dataframe = pd.DataFrame(df.groupby('B').get_group('two').reset_index()).drop('index', axis = 1)
#NOTE: the final drop is to remove the extra index column returned by groupby object
print('Sub dataframe where B is two:')
print(b_is_two_dataframe)
运行此命令可提供：
Original dataframe:
A B
0 foo one
1 bar one
2 foo two
3 bar three
4 foo two
5 bar two
6 foo one
7 foo three
Sub dataframe where B is two:
A B
0 foo two
1 foo two
2 bar two
评论
0赞
ali bakhtiari
1/4/2023
而不是 ' .drop（'index'， axis = 1）' 并创建一个新的数据帧，您可以简单地设置drop=True.reset_index()
36赞
shivsn
7/6/2017
#6
使用 numpy.where 可以获得更快的结果。
例如，使用 unubtu 的设置 -
In [76]: df.iloc[np.where(df.A.values=='foo')]
Out[76]:
A B C D
0 foo one 0 0
2 foo two 2 4
4 foo two 4 8
6 foo one 6 12
7 foo three 7 14
时序比较：
In [68]: %timeit df.iloc[np.where(df.A.values=='foo')] # fastest
1000 loops, best of 3: 380 µs per loop
In [69]: %timeit df.loc[df['A'] == 'foo']
1000 loops, best of 3: 745 µs per loop
In [71]: %timeit df.loc[df['A'].isin(['foo'])]
1000 loops, best of 3: 562 µs per loop
In [72]: %timeit df[df.A=='foo']
1000 loops, best of 3: 796 µs per loop
In [74]: %timeit df.query('(A=="foo")') # slowest
1000 loops, best of 3: 1.71 ms per loop
807赞
piRSquared
9/12/2017
#7
有几种方法可以从 Pandas 数据帧中选择行：
- 布尔索引 （df
[df['col'] == value]） - 位置索引 （
df.iloc[...]） - 标签索引 （
df.xs（...）） df.query（...）应用程序接口
下面我向您展示每种方法的示例，并建议何时使用某些技术。假设我们的条件是列'A' == 'foo'
（关于性能的注意：对于每种基本类型，我们可以通过使用 Pandas API 来保持简单，或者我们可以在 API 之外冒险，通常是进入 NumPy，并加快速度。
设置
我们需要做的第一件事是确定一个条件，该条件将作为我们选择行的标准。我们将从 OP 的案例开始，并包括一些其他常见用例。column_name == some_value
借用@unutbu：
import pandas as pd, numpy as np
df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
'B': 'one one two three two two one three'.split(),
'C': np.arange(8), 'D': np.arange(8) * 2})
1. 布尔索引
...布尔索引需要找到每行列的真值等于 ，然后使用这些真值来标识要保留的行。通常，我们将这个系列命名为真值数组，.我们也会在这里这样做。'A''foo'mask
mask = df['A'] == 'foo'
然后，我们可以使用此掩码对数据帧进行切片或索引
df[mask]
A B C D
0 foo one 0 0
2 foo two 2 4
4 foo two 4 8
6 foo one 6 12
7 foo three 7 14
这是完成此任务的最简单方法之一，如果性能或直观性不是问题，这应该是您选择的方法。但是，如果性能是一个问题，那么您可能需要考虑创建 .mask
2. 位置索引
位置索引 （） 有其用例，但这不是其中之一。为了确定切片的位置，我们首先需要执行与上面相同的布尔分析。这让我们执行一个额外的步骤来完成相同的任务。df.iloc[...]
mask = df['A'] == 'foo'
pos = np.flatnonzero(mask)
df.iloc[pos]
A B C D
0 foo one 0 0
2 foo two 2 4
4 foo two 4 8
6 foo one 6 12
7 foo three 7 14
3. 标签索引
标签索引可能非常方便，但在这种情况下，我们又在做更多的工作，没有任何好处
df.set_index('A', append=True, drop=False).xs('foo', level=1)
A B C D
0 foo one 0 0
2 foo two 2 4
4 foo two 4 8
6 foo one 6 12
7 foo three 7 14
4. df.query（） 接口
PD的。DataFrame.query 是执行此任务的一种非常优雅/直观的方式，但通常速度较慢。但是，如果您注意以下时间，对于大数据，查询非常有效。比标准方法更重要，并且与我的最佳建议相似。
df.query('A == "foo"')
A B C D
0 foo one 0 0
2 foo two 2 4
4 foo two 4 8
6 foo one 6 12
7 foo three 7 14
我的偏好是使用Boolean mask
可以通过修改我们创建 .Booleanmask
mask 备选方案 1 使用底层 NumPy 数组并放弃创建另一个 pd 的开销。系列
mask = df['A'].values == 'foo'
最后，我将展示更完整的时间测试，但只需看一下使用示例数据帧获得的性能提升。首先，我们看一下创建mask
%timeit mask = df['A'].values == 'foo'
%timeit mask = df['A'] == 'foo'
5.84 µs ± 195 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
166 µs ± 4.45 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
使用 NumPy 数组计算 的速度要快 ~ 30 倍。这在一定程度上是由于 NumPy 评估通常更快。这在一定程度上也是由于缺乏构建索引和相应对象所需的开销。maskpd.Series
接下来，我们将看看用一个与另一个进行切片的时机。mask
mask = df['A'].values == 'foo'
%timeit df[mask]
mask = df['A'] == 'foo'
%timeit df[mask]
219 µs ± 12.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
239 µs ± 7.03 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
性能提升并不那么明显。我们将看看这是否能通过更强大的测试。
面罩替代品 2我们也可以重建数据框。在重建数据帧时有一个很大的警告 - 在这样做时必须注意！dtypes
而不是我们会这样做df[mask]
pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)
如果数据帧是混合类型，我们的示例就是这样，那么当我们得到结果数组时，结果是 ，因此，新数据帧的所有列都将是 。因此，需要并扼杀任何潜在的性能收益。df.valuesdtypeobjectdtypeobjectastype(df.dtypes)
%timeit df[m]
%timeit pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)
216 µs ± 10.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
1.43 ms ± 39.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
但是，如果数据框不是混合类型，则这是一种非常有用的方法。
鉴于
np.random.seed([3,1415])
d1 = pd.DataFrame(np.random.randint(10, size=(10, 5)), columns=list('ABCDE'))
d1
A B C D E
0 0 2 7 3 8
1 7 0 6 8 6
2 0 2 0 4 9
3 7 3 2 4 3
4 3 6 7 7 4
5 5 3 7 5 9
6 8 7 6 4 7
7 6 2 6 6 5
8 2 8 7 5 8
9 4 7 6 1 5
%%timeit
mask = d1['A'].values == 7
d1[mask]
179 µs ± 8.73 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
对
%%timeit
mask = d1['A'].values == 7
pd.DataFrame(d1.values[mask], d1.index[mask], d1.columns)
87 µs ± 5.12 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
我们将时间缩短了一半。
掩膜替代品 3
@unutbu还向我们展示了如何使用来解释一组值中的每个元素。如果我们的值集是一个值的集合，即 .但如果需要，它也可以泛化为包括更大的值集。事实证明，即使它是一个更通用的解决方案，这仍然非常快。唯一真正的损失是那些不熟悉这个概念的人的直观性。pd.Series.isindf['A']'foo'
mask = df['A'].isin(['foo'])
df[mask]
A B C D
0 foo one 0 0
2 foo two 2 4
4 foo two 4 8
6 foo one 6 12
7 foo three 7 14
但是，和以前一样，我们可以利用 NumPy 来提高性能，同时几乎不牺牲任何东西。我们将使用np.in1d
mask = np.in1d(df['A'].values, ['foo'])
df[mask]
A B C D
0 foo one 0 0
2 foo two 2 4
4 foo two 4 8
6 foo one 6 12
7 foo three 7 14
定时
我还将包括其他文章中提到的其他概念以供参考。
代码如下
此表中的每一列都代表一个不同长度的数据框，我们在该数据帧上测试每个函数。每列显示所花费的相对时间，最快的函数的基本索引为 。1.0
res.div(res.min())
10 30 100 300 1000 3000 10000 30000
mask_standard 2.156872 1.850663 2.034149 2.166312 2.164541 3.090372 2.981326 3.131151
mask_standard_loc 1.879035 1.782366 1.988823 2.338112 2.361391 3.036131 2.998112 2.990103
mask_with_values 1.010166 1.000000 1.005113 1.026363 1.028698 1.293741 1.007824 1.016919
mask_with_values_loc 1.196843 1.300228 1.000000 1.000000 1.038989 1.219233 1.037020 1.000000
query 4.997304 4.765554 5.934096 4.500559 2.997924 2.397013 1.680447 1.398190
xs_label 4.124597 4.272363 5.596152 4.295331 4.676591 5.710680 6.032809 8.950255
mask_with_isin 1.674055 1.679935 1.847972 1.724183 1.345111 1.405231 1.253554 1.264760
mask_with_in1d 1.000000 1.083807 1.220493 1.101929 1.000000 1.000000 1.000000 1.144175
您会注意到，最快的时间似乎在 和 之间共享。mask_with_valuesmask_with_in1d
res.T.plot(loglog=True)
功能
def mask_standard(df):
mask = df['A'] == 'foo'
return df[mask]
def mask_standard_loc(df):
mask = df['A'] == 'foo'
return df.loc[mask]
def mask_with_values(df):
mask = df['A'].values == 'foo'
return df[mask]
def mask_with_values_loc(df):
mask = df['A'].values == 'foo'
return df.loc[mask]
def query(df):
return df.query('A == "foo"')
def xs_label(df):
return df.set_index('A', append=True, drop=False).xs('foo', level=-1)
def mask_with_isin(df):
mask = df['A'].isin(['foo'])
return df[mask]
def mask_with_in1d(df):
mask = np.in1d(df['A'].values, ['foo'])
return df[mask]
测试
res = pd.DataFrame(
index=[
'mask_standard', 'mask_standard_loc', 'mask_with_values', 'mask_with_values_loc',
'query', 'xs_label', 'mask_with_isin', 'mask_with_in1d'
],
columns=[10, 30, 100, 300, 1000, 3000, 10000, 30000],
dtype=float
)
for j in res.columns:
d = pd.concat([df] * j, ignore_index=True)
for i in res.index:a
stmt = '{}(d)'.format(i)
setp = 'from __main__ import d, {}'.format(i)
res.at[i, j] = timeit(stmt, setp, number=50)
特殊时机
看看整个数据框只有一个非对象的特殊情况。dtype
代码如下
spec.div(spec.min())
10 30 100 300 1000 3000 10000 30000
mask_with_values 1.009030 1.000000 1.194276 1.000000 1.236892 1.095343 1.000000 1.000000
mask_with_in1d 1.104638 1.094524 1.156930 1.072094 1.000000 1.000000 1.040043 1.027100
reconstruct 1.000000 1.142838 1.000000 1.355440 1.650270 2.222181 2.294913 3.406735
事实证明，重建超过几百行是不值得的。
spec.T.plot(loglog=True)
功能
np.random.seed([3,1415])
d1 = pd.DataFrame(np.random.randint(10, size=(10, 5)), columns=list('ABCDE'))
def mask_with_values(df):
mask = df['A'].values == 'foo'
return df[mask]
def mask_with_in1d(df):
mask = np.in1d(df['A'].values, ['foo'])
return df[mask]
def reconstruct(df):
v = df.values
mask = np.in1d(df['A'].values, ['foo'])
return pd.DataFrame(v[mask], df.index[mask], df.columns)
spec = pd.DataFrame(
index=['mask_with_values', 'mask_with_in1d', 'reconstruct'],
columns=[10, 30, 100, 300, 1000, 3000, 10000, 30000],
dtype=float
)
测试
for j in spec.columns:
d = pd.concat([df] * j, ignore_index=True)
for i in spec.index:
stmt = '{}(d)'.format(i)
setp = 'from __main__ import d, {}'.format(i)
spec.at[i, j] = timeit(stmt, setp, number=50)
评论
0赞
Confounded
9/27/2023
我个人喜欢使用 和 。groupbyfilterdf.groupby(['column_name']).filter(lambda x: x.name == column_value)
43赞
SP001
12/7/2017
#8
对于 Pandas 中给定值的多个列中仅选择特定列：
select col_name1, col_name2 from table where column_name = some_value.
选项位置：
df.loc[df['column_name'] == some_value, [col_name1, col_name2]]
或查询：
df.query('column_name == some_value')[[col_name1, col_name2]]
11赞
vahid
12/8/2018
#9
您还可以使用 .apply：
df.apply(lambda row: row[df['B'].isin(['one','three'])])
它实际上是按行工作的（即将函数应用于每一行）。
输出为
A B C D
0 foo one 0 0
1 bar one 1 2
3 bar three 3 6
6 foo one 6 12
7 foo three 7 14
结果与@unutbu提到的使用相同
df[[df['B'].isin(['one','three'])]]
73赞
Erfan
8/3/2019
#10
更灵活地使用 pandas >= 0.25.0：.query
由于 pandas >= 0.25.0，因此我们可以使用该方法过滤带有 pandas 方法的数据帧，甚至是带有空格的列名。通常列名中的空格会给出错误，但现在我们可以使用反引号 （'） 解决该错误 - 请参阅 GitHub：query
# Example dataframe
df = pd.DataFrame({'Sender email':['[email protected]', "[email protected]", "[email protected]"]})
Sender email
0 [email protected]
1 [email protected]
2 [email protected]
使用方法：.querystr.endswith
df.query('`Sender email`.str.endswith("@shop.com")')
输出
Sender email
1 [email protected]
2 [email protected]
此外，我们可以通过在查询中用 an 作为前缀来使用局部变量：@
domain = 'shop.com'
df.query('`Sender email`.str.endswith(@domain)')
输出
Sender email
1 [email protected]
2 [email protected]
36赞
Punnerud
1/5/2021
#11
在较新版本的 Pandas 中，受文档（查看数据）的启发：
df[df["colume_name"] == some_value] #Scalar, True/False..
df[df["colume_name"] == "some_value"] #String
通过将子句放在括号中，并将它们与 和 （and/or） 组合在一起来组合多个条件。喜欢这个：()&|
df[(df["colume_name"] == "some_value1") & (pd[pd["colume_name"] == "some_value2"])]
其他过滤器
pandas.notna(df["colume_name"]) == True # Not NaN
df['colume_name'].str.contains("text") # Search for "text"
df['colume_name'].str.lower().str.contains("text") # Search for "text", after converting to lowercase
5赞
lord-hasan
11/26/2021
#12
如果您想重复查询数据帧并且速度对您很重要，最好的办法是将数据帧转换为字典，然后通过这样做可以使查询速度提高数千倍。
my_df = df.set_index(column_name)
my_dict = my_df.to_dict('index')
制作字典后my_dict您可以通过：
if some_value in my_dict.keys():
my_result = my_dict[some_value]
如果column_name中有重复的值，则无法创建字典。但您可以使用：
my_result = my_df.loc[some_value]
0赞
L. Astola
2/17/2022
#13
很好的答案。只是，当数据帧的大小接近百万行时，许多方法在使用 时往往会花费很长时间。我希望“another_column”的所有可能值都与“some_column”中的特定值相对应（在本例中为字典中）。这奏效了，而且很快。df[df['col']==val]
s=datetime.datetime.now()
my_dict={}
for i, my_key in enumerate(df['some_column'].values):
if i%100==0:
print(i) # to see the progress
if my_key not in my_dict.keys():
my_dict[my_key]={}
my_dict[my_key]['values']=[df.iloc[i]['another_column']]
else:
my_dict[my_key]['values'].append(df.iloc[i]['another_column'])
e=datetime.datetime.now()
print('operation took '+str(e-s)+' seconds')```
5赞
Erfan
4/21/2022
#14
使用 DuckDB 对 DataFrame 进行选择行的 SQL 语句
借助 DuckDB，我们可以以高性能的方式使用 SQL 语句查询 pandas DataFrames。
由于问题是“如何根据列值从 DataFrame 中选择行？”，并且问题中的示例是 SQL 查询，因此本主题中的答案看起来是合乎逻辑的。
示例：
In [1]: import duckdb
In [2]: import pandas as pd
In [3]: con = duckdb.connect()
In [4]: df = pd.DataFrame({"A": range(11), "B": range(11, 22)})
In [5]: df
Out[5]:
A B
0 0 11
1 1 12
2 2 13
3 3 14
4 4 15
5 5 16
6 6 17
7 7 18
8 8 19
9 9 20
10 10 21
In [6]: results = con.execute("SELECT * FROM df where A > 2").df()
In [7]: results
Out[7]:
A B
0 3 14
1 4 15
2 5 16
3 6 17
4 7 18
5 8 19
6 9 20
7 10 21
5赞
Mykola Zotko
8/3/2022
#15
您可以将（方括号）与函数一起使用：loc
# Series
s = pd.Series([1, 2, 3, 4])
s.loc[lambda x: x > 1]
# s[lambda x: x > 1]
输出：
1 2
2 3
3 4
dtype: int64
或
# DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [10, 20, 30]})
df[lambda x: (x['A'] != 1) & (x['B'] != 30)]
输出：
A B
1 2 20
评论
1赞
Artem Sokolov
1/25/2023
在我看来，这是最好的答案，因为 a） 它不会重复变量名称两次，使其不易出错，并且 b） 它是链友好的，使其与其他数据帧操作更加简化。
13赞
cottontail
9/18/2022
#16
1. 在通话中使用 f 字符串query()
如果用于筛选数据帧的列名来自局部变量，则 f 字符串可能很有用。例如
col = 'A'
df.query(f"{col} == 'foo'")
事实上，f-strings 也可以用于查询变量（datetime 除外）：
col = 'A'
my_var = 'foo'
df.query(f"{col} == '{my_var}'") # if my_var is a string
my_num = 1
df.query(f"{col} == {my_num}") # if my_var is a number
my_date = '2022-12-10'
df.query(f"{col} == @my_date") # must use @ for datetime though
2.安装以加快通话速度numexprquery()
pandas 文档建议在使用 时安装 numexpr 以加快数值计算速度。使用（或 等，具体取决于您的环境）进行安装。query()pip install numexprcondasudo
对于较大的数据帧（性能实际上很重要），使用 engine 的执行速度比 .特别是，它在以下情况下表现更好。df.query()numexprdf[mask]
字符串列上的逻辑运算符和/或比较运算符
如果将一列字符串与一些其他字符串进行比较，并且要选择匹配的行，即使对于单个比较操作，其执行速度也比 快。例如，对于具有 80k 行的数据帧，它的速度提高了 30%1，对于具有 800k 行的数据帧，它的速度提高了 60%。阿拉伯数字query()df[mask]
df[df.A == 'foo']
df.query("A == 'foo'") # <--- performs 30%-60% faster
这种差距随着操作次数的增加而增加（如果链接了 4 个比较，则比 2-2.3 倍快）1,2 和/或数据帧长度增加。阿拉伯数字df.query()df[mask]
对数值列的多次操作
如果需要计算多个算术、逻辑或比较运算来创建布尔掩码来过滤，则执行速度更快。例如，对于具有 80k 行的帧，它的速度快了20% 1，对于具有 800k 行的帧，它的速度快了 2 倍。阿拉伯数字dfquery()
df[(df.B % 5) **2 < 0.1]
df.query("(B % 5) **2 < 0.1") # <--- performs 20%-100% faster.
这种性能差距随着操作数量的增加和/或数据帧长度的增加而增加。阿拉伯数字
下图显示了随着数据帧长度的增加，这些方法的性能如何。3
3. 在里面调用 pandas 方法query()
Numexpr 目前仅支持逻辑运算符 （， ， ， ） 、 比较 （ 、 ） 和基本算术运算符 （、 、 、 、 。&|~==><>=<=!=+-*/**%
例如，它不支持整数除法 （）。但是，调用等效的 pandas 方法 （） 是有效的。//floordiv()
df.query('B.floordiv(2) <= 3') # or
df.query('B.floordiv(2).le(3)')
# for pandas < 1.4, need `.values`
df.query('B.floordiv(2).values <= 3')
1 使用具有 80k 行的框架的基准代码
import numpy as np
df = pd.DataFrame({'A': 'foo bar foo baz foo bar foo foo'.split()*10000,
'B': np.random.rand(80000)})
%timeit df[df.A == 'foo']
# 8.5 ms ± 104.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit df.query("A == 'foo'")
# 6.36 ms ± 95.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit df[((df.A == 'foo') & (df.A != 'bar')) | ((df.A != 'baz') & (df.A != 'buz'))]
# 29 ms ± 554 µs per loop (mean ± std. dev. of 10 runs, 100 loops each)
%timeit df.query("A == 'foo' & A != 'bar' | A != 'baz' & A != 'buz'")
# 16 ms ± 339 µs per loop (mean ± std. dev. of 10 runs, 100 loops each)
%timeit df[(df.B % 5) **2 < 0.1]
# 5.35 ms ± 37.6 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit df.query("(B % 5) **2 < 0.1")
# 4.37 ms ± 46.3 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
2 使用具有 800k 行的帧的基准测试代码
df = pd.DataFrame({'A': 'foo bar foo baz foo bar foo foo'.split()*100000,
'B': np.random.rand(800000)})
%timeit df[df.A == 'foo']
# 87.9 ms ± 873 µs per loop (mean ± std. dev. of 10 runs, 100 loops each)
%timeit df.query("A == 'foo'")
# 54.4 ms ± 726 µs per loop (mean ± std. dev. of 10 runs, 100 loops each)
%timeit df[((df.A == 'foo') & (df.A != 'bar')) | ((df.A != 'baz') & (df.A != 'buz'))]
# 310 ms ± 3.4 ms per loop (mean ± std. dev. of 10 runs, 100 loops each)
%timeit df.query("A == 'foo' & A != 'bar' | A != 'baz' & A != 'buz'")
# 132 ms ± 2.43 ms per loop (mean ± std. dev. of 10 runs, 100 loops each)
%timeit df[(df.B % 5) **2 < 0.1]
# 54 ms ± 488 µs per loop (mean ± std. dev. of 10 runs, 100 loops each)
%timeit df.query("(B % 5) **2 < 0.1")
# 26.3 ms ± 320 µs per loop (mean ± std. dev. of 10 runs, 100 loops each)
3：用于生成字符串和数字两种方法的性能图的代码。
from perfplot import plot
constructor = lambda n: pd.DataFrame({'A': 'foo bar foo baz foo bar foo foo'.split()*n, 'B': np.random.rand(8*n)})
plot(
setup=constructor,
kernels=[lambda df: df[(df.B%5)**2<0.1], lambda df: df.query("(B%5)**2<0.1")],
labels= ['df[(df.B % 5) **2 < 0.1]', 'df.query("(B % 5) **2 < 0.1")'],
n_range=[2**k for k in range(4, 24)],
xlabel='Rows in DataFrame',
title='Multiple mathematical operations on numbers',
equality_check=pd.DataFrame.equals);
plot(
setup=constructor,
kernels=[lambda df: df[df.A == 'foo'], lambda df: df.query("A == 'foo'")],
labels= ["df[df.A == 'foo']", """df.query("A == 'foo'")"""],
n_range=[2**k for k in range(4, 24)],
xlabel='Rows in DataFrame',
title='Comparison operation on strings',
equality_check=pd.DataFrame.equals);
1赞
Panagiotis Drakatos
4/8/2023
#17
以下是使用 pandas 内置函数的选项，类似于 .isin
df = pd.DataFrame({'cost': [250, 150, 100], 'revenue': [100, 250, 300]},index=['A', 'B', 'C'])
cost revenue
A 250 100
B 150 250
C 100 300
比较 DataFrames 是否相等
df[df["cost"].eq(250)]
cost revenue
A 250 100
比较 DataFrames 是否大于不等式或相等元素。
df[df["cost"].ge(100)]
cost revenue
A 250 100
B 150 250
C 100 300
比较严格小于元素不等式的 DataFrames。
df[df["cost"].lt(200)]
cost revenue
B 150 250
C 100 300
评论